基于人工神經(jīng)網(wǎng)絡(luò)模型和期望改進(jìn)函數(shù)法的注塑成型工藝參數(shù)優(yōu)化畢業(yè)課程設(shè)計外文文獻(xiàn)翻譯、中英文翻譯、外文翻譯,基于,人工,神經(jīng)網(wǎng)絡(luò),模型,以及,期望,指望,改進(jìn),改良,函數(shù),注塑,成型,工藝,參數(shù),優(yōu)化,畢業(yè),課程設(shè)計,外文,文獻(xiàn),翻譯,中英文 of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1]. is of of 2–9]. by of or of or of is an in to 10] to in of 0%. et [11]to by of of of to 12–14]of in is a of is by . . *)16024 2010) 48:955–962In a in in et [15–17] by or et a or to of 18, 19]. et 20] on in be to as A of is An is is by I to 17]. as 1]. is a A a to to of in NN is a 22–26] in A of is in a be a 27]6 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s))s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955–962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21]. It (x) is (x) at a x is 2NN If an ?by NN be of is by ?????20 : e1Tof is eI?1I?01?????20 ()2T5 of 4 of C)C)s))s)tc(s)6 6 of a 2010) 48:955–962 957by 2 be eIT?138 e3T f e4Tq. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1? 3 in of is to 138r e6Tr is a in is Δr be of r=of of NN I is a a he of to of C)C)s))s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955–962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28]. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955–962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00°C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955–962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 1 基于人工神經(jīng)網(wǎng)絡(luò)模型和期望改進(jìn)函數(shù)法的注塑成型工藝參數(shù)優(yōu)化 收到： 2008 年 10 月 16 日 /接受日期： 2009 年 9 月 24 日 /在線發(fā)布： 2009 年 11月 20日＃施普林格出版社倫敦有限公司 2009。 摘要：在本研究中，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化方法，以優(yōu)化注塑過程。優(yōu)化過程旨在最小化注塑部件的翹曲，其中工藝參數(shù)是設(shè)計變量。 具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間均被視為工藝參數(shù)。人工神經(jīng)網(wǎng)絡(luò)和實驗設(shè)計（ 法的組合用于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應(yīng)過程是通過預(yù)期的改進(jìn)來實現(xiàn)的，這是一個填充的抽樣標(biāo)準(zhǔn)。雖然美國能源部規(guī)模小， 但是 這個標(biāo)準(zhǔn)可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機蓋和掃描儀的調(diào)查。結(jié)果表明，提出的自適應(yīng)優(yōu)化方法可以有效降低注射成型件的翹曲。 關(guān)鍵詞 ： 注塑成型 ； 優(yōu)化 ； 實驗設(shè)計 ； 人工神經(jīng)網(wǎng)絡(luò) ； 預(yù)期改進(jìn)功能。 1介紹 注塑成型是生產(chǎn)塑料制品 中 最廣泛使用的工藝。注塑模具可分為填充，填充后和開模三個階段 [1]。在生產(chǎn)過程中，翹曲是最重要的質(zhì)量問題之一，特別是塑殼制品。其中一些研究成果已經(jīng)證明了薄殼塑料件的優(yōu)化 [2 可以通過修改零件的幾何形狀或改變模具的結(jié)構(gòu)或調(diào)整工藝參數(shù)來減小翹曲。零件設(shè)計和模具設(shè)計通常在產(chǎn)品開發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數(shù)是最可行和最合理的方法。塑料注射成型中的一個重要問題是在制造前預(yù)測和優(yōu)化翹曲。許多文獻(xiàn)一直用于翹曲優(yōu)化。 10]利用改進(jìn)的 復(fù)合法優(yōu)化了壁厚和工藝條件，以減少翹曲 程度 并減少翹曲的 70％以上。 11]優(yōu)化工藝條件，通過組合實施改進(jìn)復(fù)合法和實驗設(shè)計來減少翹曲。他們的研究結(jié)果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴 且 費時的，因為他們執(zhí)行許多昂貴的功能評估。與這些方法相比， 12容易執(zhí)行和可以分析有效因素，但只能得到工藝參數(shù)更好的組合，而不是設(shè)計空間中的最優(yōu)解。翹曲是過程參數(shù)的非線性隱性函數(shù)，通常由解決方案用無限元方程估計。一般來說，復(fù)雜的任務(wù)通常需要巨大 的計算成本。因此，為了降低翹曲優(yōu)化中的計算成本，許多研究人員引入了 工中性網(wǎng)絡(luò)（ 響應(yīng)面法和支持向量回歸等代替模型。高等 [15過將克里金替代模型與改進(jìn)的矩形網(wǎng)格法 和 預(yù)期改進(jìn)（ 數(shù)方法相結(jié)合，優(yōu)化了工大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 2 藝條件以減少翹曲。 響應(yīng)面法結(jié)合起來，以優(yōu)化過程參數(shù) 來 減少塑料部件的翹曲 [18,19]。 [20]使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結(jié)果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計算成本，遺傳算 法可以有效地接近全局最優(yōu)設(shè)計。 在這項研究中，模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間被認(rèn)為是工藝參數(shù)。 拉丁超立方體設(shè)計（ 得小尺寸實驗設(shè)計，并通過 件評估翹曲值。 提出了基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化。 自適應(yīng)過程由 可以自適應(yīng)地選擇附加采樣點以改善代理模型并找到最佳值 [17]。 這種方法被視為有效的全局優(yōu)化 [21]。 數(shù)值計算結(jié)果表明，該方法可有效降低翹曲。 圖 1： 圖 2：結(jié)合 化的流程圖 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 3 圖 3：蜂窩電話蓋板的中平面模型 2人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)包括許多高度互聯(lián)稱為神經(jīng)元的處理單元。每個神經(jīng)元對加權(quán)輸入求和，然后對所得到的和應(yīng)用線性或非線性函數(shù)以確定輸出，并且它們都被分層排列并通過過度連接組合。 典型的 反向傳播網(wǎng)絡(luò)（ [22已被廣泛應(yīng)用于許多研究領(lǐng)域。 層的輸出直接發(fā)送到上層的每個神經(jīng)元。 雖然 所有的模式識別和分類任務(wù)都可以用三層 27]。 表 1：工藝參數(shù)范圍 圖 4：優(yōu)化前蓋的翹曲 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 4 通過向網(wǎng)絡(luò)反復(fù)呈現(xiàn)一系列輸入 /輸出模式集來訓(xùn)練 經(jīng)網(wǎng)絡(luò)通過調(diào)整其神經(jīng)元之間的權(quán)重來逐漸“學(xué)習(xí)”輸入 /輸出關(guān)系 的 興趣，以最小化實際和預(yù)測輸出模式之間訓(xùn)練集的誤差。培訓(xùn)后，使用不在訓(xùn)練集中的一組單獨的數(shù)據(jù)來監(jiān)控網(wǎng)絡(luò)的性能。當(dāng)均方誤差（ 到最小值時，網(wǎng)絡(luò)訓(xùn)練被認(rèn)為是完整的，權(quán)重是固定的。本文采用一層隱藏三層 型，模具溫度（ 熔體溫度（ 注射時間（ 包裝壓力（ 包裝時間（ 冷卻時間（ 被視為輸入變量，翹曲被認(rèn)為是輸出變量。因此確定 過試驗確定中間層的神經(jīng)元數(shù)。輸入層和隱層之間的傳遞函數(shù)為“ 隱層和輸出 層之間的傳遞函數(shù)為“ 列車功能 函數(shù)為 能函數(shù)為 習(xí)周期為 50,000，學(xué)習(xí)速率為 量因子為 文使用的 所示 1。 圖 5：優(yōu)化后蓋的翹曲 表 2：優(yōu)化結(jié)果 3 習(xí)”的任意函數(shù)近似機制。 于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替了優(yōu)化過程中仿真程序的昂貴分析和重新分析。一般來說，近似函數(shù)可能具有許多極值點，使得采用此類函數(shù)的優(yōu)化算大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 5 法收斂于局部最低 。 這里介紹了 接近全局 優(yōu)化解決方案。 是用于檢測確定性函數(shù)的全局最小值的順序設(shè)計策略的啟發(fā)式算法 [17,21]。 它可以平衡本地和全球搜索。 在某些點 x 進(jìn)行采樣之前， Y（ x）的值是不確定的。 候選點 （ x）通常用)(^且使用 ? 。如果當(dāng)前的最佳函數(shù)值為 可以實現(xiàn) 測器的改善(x)y?? 這種改善的可能性由正常密度給出： ????????????????????? ??)(2ex x )^m i ?? ）（(1) 然后，通過整合密度來發(fā)現(xiàn)改進(jìn)的預(yù)期值： I? ????????????????????? ???? 0 22^m i ((ex p)(21)(）（???(2) 圖 6：掃描儀型號 表 3工藝參數(shù)范圍 使用積分方程 2可以寫成： ? ?)()()()( ?? ?? (3) 其中Φ和 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 6 )( )(x ??(4) 方程式的第一個術(shù)語 3是區(qū)別當(dāng)前最小響應(yīng)值 (^ 由改進(jìn)的概率。因此，當(dāng) )(^ 小時，第一項是大的。第二術(shù)語是預(yù)測誤差σ（ x）和正常密度的乘積函數(shù) f（ u）。正常密度函數(shù)值大當(dāng)誤差σ（ x）大時，并且 )(^ 很多預(yù)測不確定性。 這種填充采樣方法有一些優(yōu)點：（ 1）它可以智能地添加采樣點來改善 以它允許從小觀察數(shù)據(jù)“學(xué)習(xí)” ； （ 2）可以避免搜索相對較大的區(qū)域功能值，降低計算成本 ； （ 3）它也可以避免添加一些靠近彼此的點設(shè)計空間并保持 4基于改進(jìn) 翹曲優(yōu)化方法 圖 7：優(yōu)化前掃描儀翹曲 翹曲最小設(shè)計問題可以描述為如下： 查找 x1, ... 大化 ? ?? ?..,, 21(5) 服從 ?? ?? ...,2,1? 其中過程參數(shù) ... ; 標(biāo)函數(shù) ? ?? ?..,, 21由等式 3 和 4 得出 ，其中 )(是電流最小值和翹曲的預(yù)測值。 收斂標(biāo)準(zhǔn)在此滿足： 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 7 ? ? ry ?((6) 其中Δ 邊是一個最大預(yù)期改善之間的比例最小功能值。因此，Δ r 可以不給出考慮幅度，Δ r= 實現(xiàn)綜合 所示 2。 表 4：優(yōu)化結(jié)果 5手機蓋翹曲優(yōu)化和掃描儀 在本節(jié)中，兩次翹曲優(yōu)化的結(jié)果舉例說明。這些旨在顯示集成 型的效率和準(zhǔn)確性 第一個例子是手機套。它是由 3,780個三角形元素離散，如圖 1所示 3。其長度，寬度，高度和厚度分別為 130， 55， 11 和 1 材料是聚碳酸酯（ 丙烯腈 - 丁二烯 - 苯乙烯。 模具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 認(rèn)為是設(shè)計變量。 量化目標(biāo)函數(shù)翹曲（ x）通過平面外位移，它們是兩者之和最大上下變形參考 束由下部和上部組成對表 1中給出的設(shè)計變量的約束模型 ， 在這里用于近似翹曲（ x），即由方程式 2。 模具溫度范圍和熔體溫度是基于 薦的值洞察力，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經(jīng)驗決定。 首先， 擇十個樣品，然后 用 件 對 每個樣品設(shè)計翹曲 所 對應(yīng)的值 進(jìn)行 運行， 得出 最后一個翹曲與變形的近似函數(shù)關(guān)系 ，利用人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建工藝參數(shù)仿真，代替昂貴的仿真分析優(yōu)化迭代。 解決了基于 數(shù)的優(yōu)化問題 在 這里使用順序二次規(guī)劃 [28]。預(yù)期的改進(jìn)表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過 1000 個隨機選擇點 和 構(gòu)造近似執(zhí)行數(shù)學(xué)函數(shù)。 找出 然后將功能值選擇為一個初始設(shè)計。在此外，樣品中具有最小翹曲值的點被選擇為另一個初始設(shè)大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 8 計，即兩個優(yōu)化過程在每個迭代執(zhí)行。在與仿真分析比較，這些過程消耗的時間非常短，可以忽略。 圖 8：優(yōu)化后掃描儀翹曲 需要 20 次迭代才能獲得優(yōu)化解 ， 結(jié)果見表 3。 圖 4 和圖 5 顯示優(yōu)化前后的翹曲值，分別 為 （表 2）。 第二個例子是掃描儀。 蓋子離散由 8,046 個三角形元素組成，如圖 1所示。它是由 具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 作為 設(shè)計變量。通過平面外位移量化目標(biāo)函數(shù)翹曲（ x），這是最大和最小的變形參考在 束由上下限組成，設(shè)計變量見表 3。 模具溫度范圍和熔體溫度是基于 薦的值洞察，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經(jīng)驗決定。 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 9 圖 9：每個因素對手機蓋翹曲的個體影響 初始十個樣本由 25次迭代后獲得最優(yōu)解。結(jié)果如表 4所示。圖 7和圖 8分別表示優(yōu)化前后的翹曲。 6討論 表 2和表 4顯示了幾個工藝參數(shù)處于極限的邊界。 圖 9和 10顯示每個因素對翹曲的影響等 ， 所有其他因素分別保持在最佳水平。 圖 10：每個因素對掃描器翹曲的個別影響 圖 9 和 10 顯示了高熔體溫度和短注射時間是理想的。翹曲值隨著熔體溫度的變化，從 260° 00° 是因為較低的熔體溫度流動性不好，可能導(dǎo)致早期形成冷凍皮膚層， 將 產(chǎn)生更高的剪切應(yīng)力 和 阻塞流。如果沒有足夠的時間釋放剪切應(yīng)力，翹曲將增加。然而翹曲值隨注射時間非線性增加。對于薄壁注模部件，長注射時間可以增加冷凍表皮層與熔融芯層的比例。 它可以 阻止流動， 并 導(dǎo)致更高的流量剪切應(yīng)力和材料中更多的分子取向。 翹曲值僅改變包裝時間的周期，當(dāng)包裝時間長于某些值時，翹曲值幾乎不變 。圖 9 和 10 還顯示，當(dāng)改變其他工藝參數(shù)（如包裝壓力，冷卻時間和模具溫度）時，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數(shù)的綜合 影響 ，所有這些工藝參數(shù)應(yīng)通過優(yōu)化提供。 7結(jié)論 在本研究中，提出了一種綜合 型和 數(shù)法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化過程可以從由一組采樣點訓(xùn)練的近似函數(shù)開始，然后通過 數(shù)將最佳采樣點添加到訓(xùn)練集中 。 優(yōu)化的每一次迭代包括訓(xùn)練近似函數(shù)和優(yōu)化 數(shù)?？紤]大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 10 到 能可以將相對意想不到的空間考慮在內(nèi)，以提高 型的準(zhǔn)確性，并快速接近全局優(yōu)化解決方案。隨著應(yīng)用程序，手機蓋和掃描儀的調(diào)查，在優(yōu)化中只需要少量的 析，因為兩個示例的第一次迭代需要一組幾個采樣點（只有十個采樣點） 并且 每次迭代的后續(xù)操作只將一個采樣點添加到集合中。數(shù)值計算結(jié)果表明，所提出的優(yōu)化方法對于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實例的設(shè)計變量限于模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間，但本方法也適用于更多的工藝參數(shù)。 然而 ，還有兩個問題。第一個是開 發(fā)有效的優(yōu)化算法。因為 能是具有尖銳峰值多模態(tài) 的 ，所以很難找到最佳解決方案。第二個是針對一些優(yōu)化方法開發(fā)的，以確定 學(xué)習(xí)周期，學(xué)習(xí)速率，動量因子和隱藏神經(jīng)元數(shù)量，使網(wǎng)絡(luò)的收斂速度快速穩(wěn)定。計劃進(jìn)一步發(fā)展。 致謝 ： 作者衷心感謝中國國家自然科學(xué)基金重大計劃（ 10590354）對這項工作的財政支持，并感謝 參考文獻(xiàn) [1] Y, X, (2007) of of J –3):412–418 [2] K, , , (1998)of 8(1):21–37 [3] , (1996) 36(10):1326–1335 [4] , O, C, P, (2003)J :1(9):859–872 [5] , , (1996)in 3):1839–1846 [6] , (1996) in a 6(10):1317–1325 [7] J (1998) in 38(7):1072–1084 [8] , H, , , K(1991) 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 11 in 1(2):77–89 [9] U, I, (2001) of in 0(1):14–21 [10] H, H (1995) of on 34(5):793–811 [11] , G, (1997) of 5997, , 308–3312 [12] H, J, M, , , (2007) in J –3):418–426 [13] C, C (2001) in of a J 10(1):1–9 [14] J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917–928 [15] H, C (2008) An in on 7(9–10):953–960 [16] H, S, C (2008) by 7(1):1–16 2010) 48:955–962 961 [17] H, C (2009) J 09(3):1302–1309 [18] , , (2005) of a J 69(10):314–319 [19] , (2006) of 27(5–6):468–472 [20] , S, (2006) 1(5):509–520 [21] R, , J (1998) of 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 12 J 3 4):455–492 [22]2000) A J 3):411–416 [23] T, Q, , L (2002) of by 4(1):103–109 [24] F, T, L (2000) a a 3(4):391–396 [25] , (2006) of he in J 171(3):437–445 [26] H, W, J, T(2008)in a 35(3):843–849 [27] J (1997) 7(5):801–812 [28] , S (2009) A 4(1):61–71 H. Y. X. *) 116024 of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1]. is of of 2–9]. by of or of or of is an in to 10] to in of 0%. et [11]to by of of of to 12–14]of in is a of is by . . *)16024 2010) 48:955–962In a in in et [15–17] by or et a or to of 18, 19]. et 20] on in be to as A of is An is is by I to 17]. as 1]. is a A a to to of in NN is a 22–26] in A of is in a be a 27]6 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s))s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955–962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21]. It (x) is (x) at a x is 2NN If an ?by NN be of is by ?????20 : e1Tof is eI?1I?01?????20 ()2T5 of 4 of C)C)s))s)tc(s)6 6 of a 2010) 48:955–962 957by 2 be eIT?138 e3T f e4Tq. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1? 3 in of is to 138r e6Tr is a in is Δr be of r=of of NN I is a a he of to of C)C)s))s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955–962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28]. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955–962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00°C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955–962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 1 基于人工神經(jīng)網(wǎng)絡(luò)模型和期望改進(jìn)函數(shù)法的注塑成型工藝參數(shù)優(yōu)化 收到： 2008 年 10 月 16 日 /接受日期： 2009 年 9 月 24 日 /在線發(fā)布： 2009 年 11月 20日＃施普林格出版社倫敦有限公司 2009。 摘要：在本研究中，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化方法，以優(yōu)化注塑過程。優(yōu)化過程旨在最小化注塑部件的翹曲，其中工藝參數(shù)是設(shè)計變量。 具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間均被視為工藝參數(shù)。人工神經(jīng)網(wǎng)絡(luò)和實驗設(shè)計（ 法的組合用于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應(yīng)過程是通過預(yù)期的改進(jìn)來實現(xiàn)的，這是一個填充的抽樣標(biāo)準(zhǔn)。雖然美國能源部規(guī)模小， 但是 這個標(biāo)準(zhǔn)可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機蓋和掃描儀的調(diào)查。結(jié)果表明，提出的自適應(yīng)優(yōu)化方法可以有效降低注射成型件的翹曲。 關(guān)鍵詞 ： 注塑成型 ； 優(yōu)化 ； 實驗設(shè)計 ； 人工神經(jīng)網(wǎng)絡(luò) ； 預(yù)期改進(jìn)功能。 1介紹 注塑成型是生產(chǎn)塑料制品 中 最廣泛使用的工藝。注塑模具可分為填充，填充后和開模三個階段 [1]。在生產(chǎn)過程中，翹曲是最重要的質(zhì)量問題之一，特別是塑殼制品。其中一些研究成果已經(jīng)證明了薄殼塑料件的優(yōu)化 [2 可以通過修改零件的幾何形狀或改變模具的結(jié)構(gòu)或調(diào)整工藝參數(shù)來減小翹曲。零件設(shè)計和模具設(shè)計通常在產(chǎn)品開發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數(shù)是最可行和最合理的方法。塑料注射成型中的一個重要問題是在制造前預(yù)測和優(yōu)化翹曲。許多文獻(xiàn)一直用于翹曲優(yōu)化。 10]利用改進(jìn)的 復(fù)合法優(yōu)化了壁厚和工藝條件，以減少翹曲 程度 并減少翹曲的 70％以上。 11]優(yōu)化工藝條件，通過組合實施改進(jìn)復(fù)合法和實驗設(shè)計來減少翹曲。他們的研究結(jié)果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴 且 費時的，因為他們執(zhí)行許多昂貴的功能評估。與這些方法相比， 12容易執(zhí)行和可以分析有效因素，但只能得到工藝參數(shù)更好的組合，而不是設(shè)計空間中的最優(yōu)解。翹曲是過程參數(shù)的非線性隱性函數(shù)，通常由解決方案用無限元方程估計。一般來說，復(fù)雜的任務(wù)通常需要巨大 的計算成本。因此，為了降低翹曲優(yōu)化中的計算成本，許多研究人員引入了 工中性網(wǎng)絡(luò)（ 響應(yīng)面法和支持向量回歸等代替模型。高等 [15過將克里金替代模型與改進(jìn)的矩形網(wǎng)格法 和 預(yù)期改進(jìn)（ 數(shù)方法相結(jié)合，優(yōu)化了工大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 2 藝條件以減少翹曲。 響應(yīng)面法結(jié)合起來，以優(yōu)化過程參數(shù) 來 減少塑料部件的翹曲 [18,19]。 [20]使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結(jié)果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計算成本，遺傳算 法可以有效地接近全局最優(yōu)設(shè)計。 在這項研究中，模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間被認(rèn)為是工藝參數(shù)。 拉丁超立方體設(shè)計（ 得小尺寸實驗設(shè)計，并通過 件評估翹曲值。 提出了基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化。 自適應(yīng)過程由 可以自適應(yīng)地選擇附加采樣點以改善代理模型并找到最佳值 [17]。 這種方法被視為有效的全局優(yōu)化 [21]。 數(shù)值計算結(jié)果表明，該方法可有效降低翹曲。 圖 1： 圖 2：結(jié)合 化的流程圖 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 3 圖 3：蜂窩電話蓋板的中平面模型 2人工神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)包括許多高度互聯(lián)稱為神經(jīng)元的處理單元。每個神經(jīng)元對加權(quán)輸入求和，然后對所得到的和應(yīng)用線性或非線性函數(shù)以確定輸出，并且它們都被分層排列并通過過度連接組合。 典型的 反向傳播網(wǎng)絡(luò)（ [22已被廣泛應(yīng)用于許多研究領(lǐng)域。 層的輸出直接發(fā)送到上層的每個神經(jīng)元。 雖然 所有的模式識別和分類任務(wù)都可以用三層 27]。 表 1：工藝參數(shù)范圍 圖 4：優(yōu)化前蓋的翹曲 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 4 通過向網(wǎng)絡(luò)反復(fù)呈現(xiàn)一系列輸入 /輸出模式集來訓(xùn)練 經(jīng)網(wǎng)絡(luò)通過調(diào)整其神經(jīng)元之間的權(quán)重來逐漸“學(xué)習(xí)”輸入 /輸出關(guān)系 的 興趣，以最小化實際和預(yù)測輸出模式之間訓(xùn)練集的誤差。培訓(xùn)后，使用不在訓(xùn)練集中的一組單獨的數(shù)據(jù)來監(jiān)控網(wǎng)絡(luò)的性能。當(dāng)均方誤差（ 到最小值時，網(wǎng)絡(luò)訓(xùn)練被認(rèn)為是完整的，權(quán)重是固定的。本文采用一層隱藏三層 型，模具溫度（ 熔體溫度（ 注射時間（ 包裝壓力（ 包裝時間（ 冷卻時間（ 被視為輸入變量，翹曲被認(rèn)為是輸出變量。因此確定 過試驗確定中間層的神經(jīng)元數(shù)。輸入層和隱層之間的傳遞函數(shù)為“ 隱層和輸出 層之間的傳遞函數(shù)為“ 列車功能 函數(shù)為 能函數(shù)為 習(xí)周期為 50,000，學(xué)習(xí)速率為 量因子為 文使用的 所示 1。 圖 5：優(yōu)化后蓋的翹曲 表 2：優(yōu)化結(jié)果 3 習(xí)”的任意函數(shù)近似機制。 于構(gòu)建翹曲與過程參數(shù)之間的近似函數(shù)關(guān)系，代替了優(yōu)化過程中仿真程序的昂貴分析和重新分析。一般來說，近似函數(shù)可能具有許多極值點，使得采用此類函數(shù)的優(yōu)化算大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 5 法收斂于局部最低 。 這里介紹了 接近全局 優(yōu)化解決方案。 是用于檢測確定性函數(shù)的全局最小值的順序設(shè)計策略的啟發(fā)式算法 [17,21]。 它可以平衡本地和全球搜索。 在某些點 x 進(jìn)行采樣之前， Y（ x）的值是不確定的。 候選點 （ x）通常用)(^且使用 ? 。如果當(dāng)前的最佳函數(shù)值為 可以實現(xiàn) 測器的改善(x)y?? 這種改善的可能性由正常密度給出： ????????????????????? ??)(2ex x )^m i ?? ）（(1) 然后，通過整合密度來發(fā)現(xiàn)改進(jìn)的預(yù)期值： I? ????????????????????? ???? 0 22^m i ((ex p)(21)(）（???(2) 圖 6：掃描儀型號 表 3工藝參數(shù)范圍 使用積分方程 2可以寫成： ? ?)()()()( ?? ?? (3) 其中Φ和 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 6 )( )(x ??(4) 方程式的第一個術(shù)語 3是區(qū)別當(dāng)前最小響應(yīng)值 (^ 由改進(jìn)的概率。因此，當(dāng) )(^ 小時，第一項是大的。第二術(shù)語是預(yù)測誤差σ（ x）和正常密度的乘積函數(shù) f（ u）。正常密度函數(shù)值大當(dāng)誤差σ（ x）大時，并且 )(^ 很多預(yù)測不確定性。 這種填充采樣方法有一些優(yōu)點：（ 1）它可以智能地添加采樣點來改善 以它允許從小觀察數(shù)據(jù)“學(xué)習(xí)” ； （ 2）可以避免搜索相對較大的區(qū)域功能值，降低計算成本 ； （ 3）它也可以避免添加一些靠近彼此的點設(shè)計空間并保持 4基于改進(jìn) 翹曲優(yōu)化方法 圖 7：優(yōu)化前掃描儀翹曲 翹曲最小設(shè)計問題可以描述為如下： 查找 x1, ... 大化 ? ?? ?..,, 21(5) 服從 ?? ?? ...,2,1? 其中過程參數(shù) ... ; 標(biāo)函數(shù) ? ?? ?..,, 21由等式 3 和 4 得出 ，其中 )(是電流最小值和翹曲的預(yù)測值。 收斂標(biāo)準(zhǔn)在此滿足： 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 7 ? ? ry ?((6) 其中Δ 邊是一個最大預(yù)期改善之間的比例最小功能值。因此，Δ r 可以不給出考慮幅度，Δ r= 實現(xiàn)綜合 所示 2。 表 4：優(yōu)化結(jié)果 5手機蓋翹曲優(yōu)化和掃描儀 在本節(jié)中，兩次翹曲優(yōu)化的結(jié)果舉例說明。這些旨在顯示集成 型的效率和準(zhǔn)確性 第一個例子是手機套。它是由 3,780個三角形元素離散，如圖 1所示 3。其長度，寬度，高度和厚度分別為 130， 55， 11 和 1 材料是聚碳酸酯（ 丙烯腈 - 丁二烯 - 苯乙烯。 模具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 認(rèn)為是設(shè)計變量。 量化目標(biāo)函數(shù)翹曲（ x）通過平面外位移，它們是兩者之和最大上下變形參考 束由下部和上部組成對表 1中給出的設(shè)計變量的約束模型 ， 在這里用于近似翹曲（ x），即由方程式 2。 模具溫度范圍和熔體溫度是基于 薦的值洞察力，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經(jīng)驗決定。 首先， 擇十個樣品，然后 用 件 對 每個樣品設(shè)計翹曲 所 對應(yīng)的值 進(jìn)行 運行， 得出 最后一個翹曲與變形的近似函數(shù)關(guān)系 ，利用人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建工藝參數(shù)仿真，代替昂貴的仿真分析優(yōu)化迭代。 解決了基于 數(shù)的優(yōu)化問題 在 這里使用順序二次規(guī)劃 [28]。預(yù)期的改進(jìn)表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過 1000 個隨機選擇點 和 構(gòu)造近似執(zhí)行數(shù)學(xué)函數(shù)。 找出 然后將功能值選擇為一個初始設(shè)計。在此外，樣品中具有最小翹曲值的點被選擇為另一個初始設(shè)大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 8 計，即兩個優(yōu)化過程在每個迭代執(zhí)行。在與仿真分析比較，這些過程消耗的時間非常短，可以忽略。 圖 8：優(yōu)化后掃描儀翹曲 需要 20 次迭代才能獲得優(yōu)化解 ， 結(jié)果見表 3。 圖 4 和圖 5 顯示優(yōu)化前后的翹曲值，分別 為 （表 2）。 第二個例子是掃描儀。 蓋子離散由 8,046 個三角形元素組成，如圖 1所示。它是由 具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 作為 設(shè)計變量。通過平面外位移量化目標(biāo)函數(shù)翹曲（ x），這是最大和最小的變形參考在 束由上下限組成，設(shè)計變量見表 3。 模具溫度范圍和熔體溫度是基于 薦的值洞察，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經(jīng)驗決定。 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 9 圖 9：每個因素對手機蓋翹曲的個體影響 初始十個樣本由 25次迭代后獲得最優(yōu)解。結(jié)果如表 4所示。圖 7和圖 8分別表示優(yōu)化前后的翹曲。 6討論 表 2和表 4顯示了幾個工藝參數(shù)處于極限的邊界。 圖 9和 10顯示每個因素對翹曲的影響等 ， 所有其他因素分別保持在最佳水平。 圖 10：每個因素對掃描器翹曲的個別影響 圖 9 和 10 顯示了高熔體溫度和短注射時間是理想的。翹曲值隨著熔體溫度的變化，從 260° 00° 是因為較低的熔體溫度流動性不好，可能導(dǎo)致早期形成冷凍皮膚層， 將 產(chǎn)生更高的剪切應(yīng)力 和 阻塞流。如果沒有足夠的時間釋放剪切應(yīng)力，翹曲將增加。然而翹曲值隨注射時間非線性增加。對于薄壁注模部件，長注射時間可以增加冷凍表皮層與熔融芯層的比例。 它可以 阻止流動， 并 導(dǎo)致更高的流量剪切應(yīng)力和材料中更多的分子取向。 翹曲值僅改變包裝時間的周期，當(dāng)包裝時間長于某些值時，翹曲值幾乎不變 。圖 9 和 10 還顯示，當(dāng)改變其他工藝參數(shù)（如包裝壓力，冷卻時間和模具溫度）時，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數(shù)的綜合 影響 ，所有這些工藝參數(shù)應(yīng)通過優(yōu)化提供。 7結(jié)論 在本研究中，提出了一種綜合 型和 數(shù)法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化過程可以從由一組采樣點訓(xùn)練的近似函數(shù)開始，然后通過 數(shù)將最佳采樣點添加到訓(xùn)練集中 。 優(yōu)化的每一次迭代包括訓(xùn)練近似函數(shù)和優(yōu)化 數(shù)?？紤]大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 10 到 能可以將相對意想不到的空間考慮在內(nèi)，以提高 型的準(zhǔn)確性，并快速接近全局優(yōu)化解決方案。隨著應(yīng)用程序，手機蓋和掃描儀的調(diào)查，在優(yōu)化中只需要少量的 析，因為兩個示例的第一次迭代需要一組幾個采樣點（只有十個采樣點） 并且 每次迭代的后續(xù)操作只將一個采樣點添加到集合中。數(shù)值計算結(jié)果表明，所提出的優(yōu)化方法對于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實例的設(shè)計變量限于模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間，但本方法也適用于更多的工藝參數(shù)。 然而 ，還有兩個問題。第一個是開 發(fā)有效的優(yōu)化算法。因為 能是具有尖銳峰值多模態(tài) 的 ，所以很難找到最佳解決方案。第二個是針對一些優(yōu)化方法開發(fā)的，以確定 學(xué)習(xí)周期，學(xué)習(xí)速率，動量因子和隱藏神經(jīng)元數(shù)量，使網(wǎng)絡(luò)的收斂速度快速穩(wěn)定。計劃進(jìn)一步發(fā)展。 致謝 ： 作者衷心感謝中國國家自然科學(xué)基金重大計劃（ 10590354）對這項工作的財政支持，并感謝 參考文獻(xiàn) [1] Y, X, (2007) of of J –3):412–418 [2] K, , , (1998)of 8(1):21–37 [3] , (1996) 36(10):1326–1335 [4] , O, C, P, (2003)J :1(9):859–872 [5] , , (1996)in 3):1839–1846 [6] , (1996) in a 6(10):1317–1325 [7] J (1998) in 38(7):1072–1084 [8] , H, , , K(1991) 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 11 in 1(2):77–89 [9] U, I, (2001) of in 0(1):14–21 [10] H, H (1995) of on 34(5):793–811 [11] , G, (1997) of 5997, , 308–3312 [12] H, J, M, , , (2007) in J –3):418–426 [13] C, C (2001) in of a J 10(1):1–9 [14] J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917–928 [15] H, C (2008) An in on 7(9–10):953–960 [16] H, S, C (2008) by 7(1):1–16 2010) 48:955–962 961 [17] H, C (2009) J 09(3):1302–1309 [18] , , (2005) of a J 69(10):314–319 [19] , (2006) of 27(5–6):468–472 [20] , S, (2006) 1(5):509–520 [21] R, , J (1998) of 大連交通大學(xué) 2017 屆本科生畢業(yè)設(shè)計外文翻譯 12 J 3 4):455–492 [22]2000) A J 3):411–416 [23] T, Q, , L (2002) of by 4(1):103–109 [24] F, T, L (2000) a a 3(4):391–396 [25] , (2006) of he in J 171(3):437–445 [26] H, W, J, T(2008)in a 35(3):843–849 [27] J (1997) 7(5):801–812 [28] , S (2009) A 4(1):61–71 H. Y. X. *) 116024